BiLSTM-MLAM:基于Bi-LSTM和局部注意力机制的传感器数据的多规模时间序列预测模型.

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 准确的时间序列预测对于各种应用至关重要.
• 现有的模型往往难以在多个时间尺度上捕捉复杂的模式.

研究的目的:

• 介绍BiLSTM-MLAM,一个新的多尺度时间序列预测模型.
• 提高时间序列预测的准确性和稳定性.

主要方法:

• 使用双向长期短期记忆 (BiLSTM) 来提取时间特征.
• 实施多尺度补丁细分模块,用于多种时间尺度模式识别.
• 采用局部关注机制,以加强特征加权和融合.

主要成果:

• 在多个数据集中,BiLSTM-MLAM在六种基线方法中表现出卓越的性能.
• 在飞机发动机寿命预测,LTE和负载数据集的根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 中取得了显著的改进.
• 废弃性研究证实了每个模型组件对预测准确性的积极贡献.

结论:

• BiLSTM-MLAM模型有效地在多个时间尺度上捕获序列信息.
• 多尺度的融合策略,结合不同的细分长度,提高了预测的准确性.
• BiLSTM-MLAM为复杂的时间序列预测任务提供了强大的解决方案.